論文の概要: Canonical Factors for Hybrid Neural Fields

• arxiv url: http://arxiv.org/abs/2308.15461v1
• Date: Tue, 29 Aug 2023 17:38:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-30 13:02:06.549200
• Title: Canonical Factors for Hybrid Neural Fields
• Title（参考訳）: ハイブリッドニューラルフィールドの標準因子
• Authors: Brent Yi, Weijia Zeng, Sam Buchanan, and Yi Ma
• Abstract要約: ファクター機能ボリュームは、よりコンパクトで、効率的で、解釈不能なニューラルネットワークを構築するための簡単な方法を提供する。 本研究では,これらのアーキテクチャが軸方向の信号に対して持つ望ましくないバイアスを特徴付ける。 本研究では、これらの変換とシーンの外観を同時に学習する2次元モデル問題において、効率を大幅に向上させることに成功した。
• 参考スコア（独自算出の注目度）: 12.27377853829856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Factored feature volumes offer a simple way to build more compact, efficient, and intepretable neural fields, but also introduce biases that are not necessarily beneficial for real-world data. In this work, we (1) characterize the undesirable biases that these architectures have for axis-aligned signals -- they can lead to radiance field reconstruction differences of as high as 2 PSNR -- and (2) explore how learning a set of canonicalizing transformations can improve representations by removing these biases. We prove in a two-dimensional model problem that simultaneously learning these transformations together with scene appearance succeeds with drastically improved efficiency. We validate the resulting architectures, which we call TILTED, using image, signed distance, and radiance field reconstruction tasks, where we observe improvements across quality, robustness, compactness, and runtime. Results demonstrate that TILTED can enable capabilities comparable to baselines that are 2x larger, while highlighting weaknesses of neural field evaluation procedures.
• Abstract（参考訳）: factored feature volumeは、よりコンパクトで効率的で、予測不能なニューラルフィールドを構築するためのシンプルな方法を提供するが、現実世界のデータに必ずしも有益ではないバイアスも導入する。 本研究では,(1)これらのアーキテクチャが軸方向の信号に対して持つ望ましくないバイアスを特徴付け,(2)2つのPSNRの放射場再構成の違いを生じさせ,(2)正規化変換の集合を学習することで,これらのバイアスを除去することで表現を改善する方法について検討する。 本研究では、これらの変換とシーンの外観を同時に学習し、効率を大幅に向上する2次元モデル問題を示す。 我々は、画像、署名された距離、および放射場再構成タスクを使用して、TILTEDと呼ぶアーキテクチャを検証し、品質、堅牢性、コンパクト性、実行時の改善を観察する。 結果は、TILTEDがニューラルネットワーク評価手順の弱点を強調しながら、2倍のベースラインに匹敵する能力を実現できることを示した。

関連論文リスト

• Double-Shot 3D Shape Measurement with a Dual-Branch Network [14.749887303860717]
  我々は、異なる構造光(SL)変調を処理するために、デュアルブランチ畳み込みニューラルネットワーク(CNN)-トランスフォーマーネットワーク(PDCNet)を提案する。 PDCNet内では、Transformerブランチを使用してフリンジイメージのグローバルな認識をキャプチャし、CNNブランチはスペックルイメージのローカル詳細を収集するように設計されている。 提案手法は, 自己生成データセット上で高精度な結果が得られる一方で, フランジオーダーの曖昧さを低減できることを示す。
  論文  参考訳（メタデータ） (2024-07-19T10:49:26Z)
• Produce Once, Utilize Twice for Anomaly Detection [6.501323305130114]
  我々は、再構成ネットワークにおける識別情報電位を再利用することにより、精度と効率を両立させるPOUTAを導出する。 POUTAは、特別な設計をせずに、最先端の数発の異常検出方法よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2023-12-20T10:49:49Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Practical Stereo Matching via Cascaded Recurrent Network with Adaptive Correlation [27.58146853633412]
  本稿では,実用的なステレオマッチングの問題に対処する革新的な設計法を提案する。 この結果は、MiddleburyベンチマークとETH3Dベンチマークの両方で1位にランクされている。
  論文  参考訳（メタデータ） (2022-03-22T06:20:25Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• Optimization-Based Separations for Neural Networks [57.875347246373956]
  本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。 これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
  論文  参考訳（メタデータ） (2021-12-04T18:07:47Z)
• Recognizing and Verifying Mathematical Equations using Multiplicative Differential Neural Units [86.9207811656179]
  メモリ拡張ニューラルネットワーク(NN)は、高次、メモリ拡張外挿、安定した性能、より高速な収束を実現することができることを示す。 本モデルでは,現在の手法と比較して1.53%の精度向上を達成し,2.22%のtop-1平均精度と2.96%のtop-5平均精度を達成している。
  論文  参考訳（メタデータ） (2021-04-07T03:50:11Z)
• Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo [61.6260594326246]
  空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。 分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
  論文  参考訳（メタデータ） (2021-03-22T18:06:58Z)
• A Smooth Representation of Belief over SO(3) for Deep Rotation Learning with Uncertainty [33.627068152037815]
  本稿では、3次元回転群の新しい対称行列表現 SO(3) と、学習モデルに特に適する2つの重要な性質について述べる。 我々は,2つのデータモダリティに基づいて深部神経回転回帰器を訓練することにより,定式化の利点を実証的に検証した。 この機能は、新しい入力を検出することで、学習したモデルの破滅的な失敗を防ぐ安全クリティカルなアプリケーションにとって鍵となる。
  論文  参考訳（メタデータ） (2020-06-01T15:57:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。